一种基于尺度归因扩张网络的高光谱影像分类方法技术

本发明专利技术公开了一种基于尺度归因扩张网络的高光谱影像分类方法，包括设计训练裁剪尺寸集合

【技术实现步骤摘要】
一种基于尺度归因扩张网络的高光谱影像分类方法


[0001]本专利技术涉及高光谱影像分类
，尤其涉及一种基于尺度归因扩张网络的高光谱影像分类方法
。

技术介绍

[0002]高光谱遥感实现了图谱合一，包含丰富的光谱信息和空间信息，在精准农业
、
军事侦察
、
地质勘探等领域具有广泛应用
。
高光谱图像分类是高光谱图像研究的热点，并且随着深度学习的深入探索和应用，高光谱图像分类技术取得了很大的进展
。
然而，现有卷积分类模型采用尺度缩小的方式表达特征，忽略了高光谱数据特有的亚像元现象，导致隐含信息无法充分挖掘且分类精度低
。
在有标签样本分类条件下，是制约高光谱遥感影像分类发展的一个重要原因
。

技术实现思路

[0003]本专利技术提供一种基于尺度归因扩张网络的高光谱影像分类方法，以克服上述技术问题
。
[0004]一种基于尺度归因扩张网络的高光谱影像分类方法，包括，
[0005]步骤一
、
设计训练裁剪尺寸集合
、
验证裁剪尺寸集合以及测试裁剪尺寸集合，所述训练裁剪尺寸集合
、
验证裁剪尺寸集合均包括多种尺度类型，所述测试裁剪尺寸集合包括一种尺度类型，所述尺度包括长度和宽度，
[0006]步骤二
、
获取高光谱影像集合，依次从训练裁剪尺寸集合中选择训练裁剪尺寸，根据训练裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取训练集序列，依次从验证裁剪尺寸集合中选择验证裁剪尺寸，根据验证裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取验证集序列，依次从测试裁剪尺寸集合中选择测试裁剪尺寸，根据测试裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取测试集序列，
[0007]步骤三
、
构建尺度归因扩张网络模型，
[0008]步骤四
、
基于多尺度训练策略对尺度归因扩张网络模型进行训练，根据训练后的尺度归因扩张网络模型对高光谱影像进行分类，
[0009]所述基于多尺度训练策略对尺度归因扩张网络模型进行训练包括依次从训练裁剪尺寸集合中选择训练裁剪尺寸，根据训练裁剪尺寸所对应的训练集对尺度归因扩张网络模型进行训练，根据与训练裁剪尺寸对应的验证集对训练后的尺度归因扩张网络模型进行验证并计算平均分类精度，保存当前平均分类精度值的训练后的尺度归因扩张网络模型，重新获取下一个训练裁剪尺寸以及对应的训练集，根据对应的训练集对前一次训练后的尺度归因扩张网络模型进行训练并进行验证，同时确认本次训练后的平均分类精度值是否大于前一次训练后的平均分类精度值，是则保存本次平均分类精度值的训练后的尺度归因扩张网络模型，直到遍历完所有训练裁剪尺寸，获取到平均分类精度值最高的训练后的尺度归因扩张网络模型，从测试集序列中选择测试集对平均分类精度值最高的训练后的尺度归
因扩张网络模型进行测试
。
[0010]优选地，所述构建尺度归因扩张网络模型包括构建预处理模块
、
四个级联的尺度保持网络层与全局平均池化层，
[0011]所述预处理模块用于提取高光谱影像的非线性特征，所述预处理模块包括第一二维转置卷积层
、
第一归一化层
、
第一
ReLU
层以及最大池化层，
[0012]所述尺度保持网络层用于扩大高光谱影像的非线性特征的的空间尺度，缩小高光谱影像的非线性特征的通道数目，所述尺度保持网络层包括四个基本模块
、
基本残差模块与通道调制残差模块，所述基本模块包括第二二维转置卷积层
、
第二归一化层以及第三
ReLU
层，所述基本残差模块包括第三二维转置卷积与第三归一化层，所述通道调制残差模块包括第四二维转置卷积层
、
第四归一化层
、
第四一维转置卷积层以及第四全局平均池化层，其中，基本残差模块连接在第一基本模块与第二基本模块之间，通道调制残差模块连接在第三基本模块与第四基本模块之间，
[0013]所述全局平均池化层用于根据最后一级尺度保持网络层所生成的类别嵌入向量生成
onehot
编码
。
[0014]优选地，所述通道调制残差模块的处理过程为根据公式
(1)
对输入的特征向量进行二维转置卷积和归一化处理，并根据公式
(2)
进行全局平均池化处理，
[0015]X
i
＝
BN(ConvT(X
j
)
+
)
ꢀꢀꢀ
(1)
[0016][0017]X
j
为残差输入特征图，
ConvT(
·
)
+
为二维转置卷积操作，
BN(
·
)
为归一化操作，经过上采样后的特征进行全局平均池化操作
GAP(
·
)
，得到挖掘的通道信息
[0018][0019]根据公式
(3)
获得与特征向量自身以及其他影像的特征向量在通道上的相似度获得与特征向量自身以及其他影像的特征向量在通道上的相似度代表矩阵乘法，
⊙
代表矩阵点乘操作，
DIM(
·
)
代表对矩阵求二范数，
[0020][0021][0022]根据公式
(4)、(5)
获得通道平滑注意力矩阵
ConvT
∵
(
·
)
代表一维转置卷积操作，
EPD(
·
)
代表维度扩增操作，
[0023][0024]根据公式
(6)
过滤掉权重小于
λ
的通道信息，并将其设置为0，过滤后得到了最终的通道平滑注意力矩阵
[0025][0026]根据公式
(7)
获得调制残差模块的输出代表上文中得到的通道平滑注意力矩阵，
EPD(
·
)
用于扩充通道平滑注意力矩阵的维度
。
[0027]优选地，所述基本模块的输出特征为根据公式
(8)、(9)
得到输出特征，
[0028][0029]RB(x
j
)
＝
BatchNorm
i
(ConvT
i
(x
j
))
ꢀꢀꢀ
(9)
[0030]x
i
代表当前的特征图，
x
j
代表残差输入特征图，将
RB(x
j
)
与相加并经过激活函数
max(
·
)
进行激活获得最终输出
[0031]优选地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于尺度归因扩张网络的高光谱影像分类方法，其特征在于，包括，步骤一
、
设计训练裁剪尺寸集合
、
验证裁剪尺寸集合以及测试裁剪尺寸集合，所述训练裁剪尺寸集合
、
验证裁剪尺寸集合均包括多种尺度类型，所述测试裁剪尺寸集合包括一种尺度类型，所述尺度包括长度和宽度，步骤二
、
获取高光谱影像集合，依次从训练裁剪尺寸集合中选择训练裁剪尺寸，根据训练裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取训练集序列，依次从验证裁剪尺寸集合中选择验证裁剪尺寸，根据验证裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取验证集序列，依次从测试裁剪尺寸集合中选择测试裁剪尺寸，根据测试裁剪尺寸对高光谱影像集合中的影像进行裁剪后获取测试集序列，步骤三
、
构建尺度归因扩张网络模型，步骤四
、
基于多尺度训练策略对尺度归因扩张网络模型进行训练，根据训练后的尺度归因扩张网络模型对高光谱影像进行分类，所述基于多尺度训练策略对尺度归因扩张网络模型进行训练包括依次从训练裁剪尺寸集合中选择训练裁剪尺寸，根据训练裁剪尺寸所对应的训练集对尺度归因扩张网络模型进行训练，根据与训练裁剪尺寸对应的验证集对训练后的尺度归因扩张网络模型进行验证并计算平均分类精度，保存当前平均分类精度值的训练后的尺度归因扩张网络模型，重新获取下一个训练裁剪尺寸以及对应的训练集，根据对应的训练集对前一次训练后的尺度归因扩张网络模型进行训练并进行验证，同时确认本次训练后的平均分类精度值是否大于前一次训练后的平均分类精度值，是则保存本次平均分类精度值的训练后的尺度归因扩张网络模型，直到遍历完所有训练裁剪尺寸，获取到平均分类精度值最高的训练后的尺度归因扩张网络模型，从测试集序列中选择测试集对平均分类精度值最高的训练后的尺度归因扩张网络模型进行测试
。2.
根据权利要求1所述的一种基于尺度归因扩张网络的高光谱影像分类方法，其特征在于，所述构建尺度归因扩张网络模型包括构建预处理模块
、
四个级联的尺度保持网络层与全局平均池化层，所述预处理模块用于提取高光谱影像的非线性特征，所述预处理模块包括第一二维转置卷积层
、
第一归一化层
、
第一
ReLU
层以及最大池化层，所述尺度保持网络层用于扩大高光谱影像的非线性特征的的空间尺度，缩小高光谱影像的非线性特征的通道数目，所述尺度保持网络层包括四个基本模块
、
基本残差模块与通道调制残差模块，所述基本模块包括第二二维转置卷积层
、
第二归一化层以及第三
ReLU
层，所述基本残差模块包括第三二维转置卷积与第三归一化层，所述通道调制残差模块包括第四二维转置卷积层
、
第四归一化层
、
第四一维转置卷积层以及第四全局平均池化层，其中，基本残差模块连接在第一基本模块与第二基本模块之间，通道调制残差模块连接在第三基本模块与第四基本模块之间，所述全局平均池化层用于根据最后一级尺度保持网络层所生成的类别嵌入向量生成
onehot
编码
。3.
根据权利要求2所述的一种基于尺度归因扩张网络的高光谱影像分类方法，其特征在于，所述通道调制残差模块的处理过程为根据公式
(1)
对输入...

【专利技术属性】
技术研发人员：于纯妍，朱元琛，宋梅萍，王玉磊，张强，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：